多多益善（大体上）：联邦图神经网络中的后门攻击研究

图神经网络（GNNs）是一类基于深度学习处理图域信息的方法。因其学习复杂图数据表示的优越能力，GNNs 近年已成为广泛使用的图分析方法。然而，出于隐私关切与监管限制，集中式 GNNs 难以应用于数据敏感场景。联邦学习（FL）是一项为隐私保护环境下多方协同训练共享全局模型而兴起的技术。尽管已有若干研究将 FL 应用于训练 GNNs（联邦 GNNs），但尚无关于其对后门攻击鲁棒性的研究。本文通过实施两类联邦 GNNs 中的后门攻击填补此空白：集中式后门攻击（CBA）与分布式后门攻击（DBA）。我们的实验表明，在几乎所有评估情形下 DBA 的攻击成功率均高于 CBA。对于 CBA，即便对抗方的训练集嵌入了全局触发器，所有局部触发器的攻击成功率仍与全局触发器相近。为进一步探究两类后门攻击在联邦 GNNs 中的性质，我们评估了不同客户端数量、触发器大小、投毒强度与触发器密度下的攻击性能。此外，我们探究了 DBA 与 CBA 对一种防御的鲁棒性。我们发现两种攻击对该防御均具鲁棒性，这亟需将联邦 GNNs 中的后门攻击视为一种需要定制防御的新型威胁。